面向云-边协同计算的资源管理技术

作者简介

陈 星 福州大学教授，博士生导师，福州大学计算机与大数据学院副院长。本硕博毕业于北京大学。目前主要研究软件工程、系统软件等。主持国家自然科学基金、国家重点研发计划子课题等4项国家级项目。在国内外学术期刊发表50余篇论文，授权10件国家发明专利。 林 兵 福建师范大学副教授，硕士生导师，福建师范大学物理与能源学院系副主任。本硕博毕业于福州大学。目前主要研究计算智能、工作流调度等技术。主持和参与国家自然科学基金、福建省自然科学基金等项目共5项。在国内外学术期刊上发表30余篇论文，授权6件国家发明专利。 陈哲毅 福州大学计算机与大数据学院硕士生导师，福建省网络计算与智能信息处理重点实验室副主任，入选福州大学“旗山学者”（海外项目）。主要研究方向包括机器学习、资源优化等。

内容简介

第3章面向云计算的资源自适应管理方法 3．1基于机器学习的云软件服务资源分配方法 随着云计算的蓬勃发展，大量基于云的软件服务涌 现。人们可以方便地将软件服务部署在云服务器上，实 现对外提供计算等服务。在这种服务模式下，云工程师 们需要为云软件服务分配合适的资源，以保证良好的服 务质量和较低的云资源成本。然而，不同的云软件服务 具有不同的服务质量需求，且其外部环境(如工作负载) 是时刻变化的，这使得工程师们干预资源分配过程变得 越来越困难。因此，云软件服务应该具有自适应资源分 配能力。为此，本节提出面向云软件服务的机器学习和 自适应资源分配方法。主要研究内容概括如下： (1) 本节首先系统地介绍了云软件服务的资源分配 问题。本节认为影响资源分配的主要因素包括工作负载 、资源情况以及管理目标。一个合适的资源分配方案， 应该在保证良好的服务质量的同时最小化云资源成本。 (2) 针对如何为云软件服务设计和实现自适应资源 分配的问题，本节提出了一种基于机器学习的资源分配 方法。对于给定的云软件服务，首先基于其历史数据集 训练得到QoS预测模型，它能根据当前的工作负载和资 源分配情况，预测出对应的QoS值。本节还提出基于遗 传算法的在线决策机制。遗传算法基于服务质量和云资 源成本相结合的适应度函数，可以快速搜索得到合理的 资源分配方案。 (3) 以上方法中QoS预测模型的建立依赖于大量且 完整的数据集，且 QoS预测模型准确度的高低直接影响 到资源分配方案的好坏。针对这一问题，本节进一步提 出了一种基于机器学习和自校正的资源分配方法。首先 ，在给定的工作负载下，基于运行时数据，通过自校正 控制，对QoS预测模型进行修正改进。其次，引入反馈 控制，设计了一个新的资源调整方案。在每次循环中， 根据已分配资源情况和目标资源分配方案之间的差异， 按一定的比例进行资源调整。在此期间，不断收集运行 时数据用于QoS预测模型的自我校正。 最后，本节在CloudStack云平台上搭建RUBiS软件 服务，并设计相应实验对本节方法进行评估。结果表明 ： ① 当数据集完整时，基于机器学习的资源分配方 法可以得到准确率超过90%的QoS预测模型，且和传统规 则驱动的方法相比，资源利用率提高了10%~30%； ② 当数据集不完整且QoS预测模型准确率不高时， 基于机器学习和自校正的资源分配方法可以将QoS预测 模型的准确率提高了20%~24%，且性能比基于机器学习 的资源分配方法提高了4%~8%。 3．1．1引言 随着云计算的蓬勃发展，大量基于云的软件服务涌 现出来。人们将软件服务部署在云平台上，实现对外提 供服务。云软件服务以具有伸缩性、高可扩展性、云资 源成本低廉等诸多特性，并得到越来越多的应用。在这 种模式下，如果为云软件服务分配的计算资源过多，可 系统论述云计算资源管理技术与应用。重庆大学夏云霓教授、南京理工大学宋巍教授、南京信息工程大学许小龙教授、天津大学吴华明研究员联袂推荐